[논문 리뷰] Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data

Manuel Schürch, Laura Boos외 5명|arXiv (Cornell University)|2024. 02. 19.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

이 논문은 다중 오믹스 데이터에 대해 학습된 전문화된 counterfactual 전문가들로 구성된 모듈형 앙상블 프레임워크를 제시하여, 개인화되고 신뢰도 보정된 counterfactual 치료 제안을 암에 대해 제시하며, 난소암 데이터에서 시연합니다.

ABSTRACT

AI-driven precision oncology has the transformative potential to reshape cancer treatment by leveraging the power of AI models to analyze the interaction between complex patient characteristics and their corresponding treatment outcomes. New technological platforms have facilitated the timely acquisition of multimodal data on tumor biology at an unprecedented resolution, such as single-cell multi-omics data, making this quality and quantity of data available for data-driven improved clinical decision-making. In this work, we propose a modular machine learning framework designed for personalized counterfactual cancer treatment suggestions based on an ensemble of machine learning experts trained on diverse multi-omics technologies. These specialized counterfactual experts per technology are consistently aggregated into a more powerful expert with superior performance and can provide both confidence and an explanation of its decision. The framework is tailored to address critical challenges inherent in data-driven cancer research, including the high-dimensional nature of the data, and the presence of treatment assignment bias in the retrospective observational data. The framework is showcased through comprehensive demonstrations using data from in-vitro and in-vivo treatment responses from a cohort of patients with ovarian cancer. Our method aims to empower clinicians with a reality-centric decision-support tool including probabilistic treatment suggestions with calibrated confidence and personalized explanations for tailoring treatment strategies to multi-omics characteristics of individual cancer patients.

연구 동기 및 목표

• retros 유전멀티오믹스 데이터로 개인화된 counterfactual 치료 결과를 학습함으로써 AI 구동 정밀 암 치료를 진전시킨다.
• 기술 간 모듈러하고 해석 가능한 ML 프레임워크를 개발하여 기술 전반의 전문가를 통합한다.
• 실제 세계의 고차원 데이터에서 임상 의사결정을 지원하기 위한 신뢰도 추정치와 설명을 제공한다.
• 관찰 데이터에서의 고차원성, 누락된 모달리티, 치료 할당 편향의 문제를 다룬다.

제안 방법

• Neyman-Rubin 프레임워크 내에서 다중 오믹스 환자 데이터에 대한 개인화된 counterfactual 결과 모델을 정의한다.
• 기술별 및 치료별로 전문화된 counterfactual 전문가를 만들고, 컨센서스 융합(공분산 교차 기반)을 사용해 메타-전문가로 집계한다.
• 각 전문가에 대해 mu_a(x)와 nu_a(x)를 추정하고 불확실성의 역수로서 신뢰도 lambda_a(x)를 계산한다.
• SHAP 값을 사용해 chi_a(x)를 설명으로 집계하고 기술 간 융합된 가중 합집합으로 융합한다.
• mu_a(x)에 기반하고 신뢰도를 반영하는 유틸리티를 최대화하여 상위-K 치료를 선택한다.

실험 결과

연구 질문

• RQ1 개인화된 종양학을 위해 회고적 다중 오믹스 관찰 데이터를 통해 counterfactual 치료 결과를 학습할 수 있는가?
• RQ2 기술별 전문가의 모듈러 앙상블이 단일 오믹스 기준선 대비 in-vitro 및 in-vivo 결과 예측에서 얼마나 성능이 우수한가?
• RQ3 불확실성 인식형 전문가 집계가 실제 데이터에서 개인화된 치료 제안 및 설명을 개선하는가?
• RQ4 오믹스 모듈 전반에서 치료 권고에 영향을 주는 설명 및 생체표지자가 무엇으로 나타나는가?

주요 결과

• 전문화된 전문가들의 앙상블은 일반적으로 개별 전문가 및 기준선보다 in-vitro 및 in-vivo 결과 예측에서 우수한 성능을 보인다.
• 집계된 전문가 예측은 in-vivo 데이터에 대해 AUROC 및 정확도 값을 0.70에서 0.9 범위에서 달성하며, 평균 집계 전문가는 약 0.75이다.
• 일부 기술 전문가만이 무작위보다 더 잘 예측하며, 집계 방식은 성능이 낮은 전문가를 억제한다.
• 프레임워크는 개인화된 SHAP 기반 설명과 서로 다른 환자에 따라 달라지는 치료 권고를 제공한다, 이는 이질적 치료 효과를 반영한다.
• 이 방법은 다중 오믹스 데이터로 구성된 61명의 난소암 코호트에서 가능성을 입증하며, leave-one-out 및 중첩 교차검증으로 성능과 신뢰도를 추정한다.